Чтобы лучше играть, нужно больше играть. Или нет?
В статье отвечу на этот вопрос и расскажу, как можно использовать навыки кодинга в любительском киберспорте.
Маленькая предыстория
Я был плохим студентом-айтишником: прогуливал пары, потому что всю ночь перед ними катал в CS в компьютерном клубе с друзьями. Тогда мы были уверены: чтобы играть лучше, надо просто больше играть.
Шли годы. Мы пересели с геймерских кресел на офисные стулья. Но у меня случилась ирония судьбы: последние пару лет я работаю продактом в проекте, который продает скины для CS2, так что киберспорт стал одновременно и хобби, и работой.
И вот в какой-то момент я поймал себя на мысли. На работе я привык принимать решения на основе метрик, логов и данных. А в игре с 2007 года полагаюсь на интуицию и божий промысел.
Но что, если посмотреть на CS2 как на продукт, а на собственную игру — как на пользовательское поведение, которое можно разобрать и улучшить? Так и сделал: изучил, как это делают профессиональные команды, и выстроил пайплайн под себя.
Как профи используют кодинг в разборе матчей
Для профи реплей — это почти лог-файл. Можно разложить его на события, состояния и повторяющиеся сценарии. И исходя из этого, понять, кто и откуда вошел в бой, что было с экономикой за раунд до этого, как команда подошла к таймингу и где именно посыпалась.
По сути, киберспортивная аналитика — это чистый дата-сайенс. Есть сырые данные. Надо собрать их, привести в порядок, разметить и только потом уже делать выводы. Реплеи парсят, фильтруют и прогоняют через скрипты. Если ты аналитик в Team Spirit или NAVI, то мало сказать, что «вражеский керри много фармит». Здесь надо вытащить из данных конкретный паттерн и отработать его с игроками.
Как это выглядит на практике
Сначала идет парсинг и нормализация. Демка или реплей — это поток событий, которые игра записывала в реальном времени: «Игрок X нажал кнопку Y», «Объект Z переместился в точку A».
Первым делом мы прогоняем его через парсер, чтобы получить вменяемый JSON или CSV. На этом же этапе данные очищаются от мусора: отсекаются паузы, дисконнекты и технические артефакты.
Затем наступает этап обогащения и агрегации. Одиночные события сами по себе мало что значат. Их нужно объединить в контекстные сущности: раунды, тимфайты или фазы фарма. Здесь мы накладываем на данные бизнес-логику игры. Например, скрипт должен понять, что смерть саппорта на 5-й минуте при попытке заблочить кемп — это ок, а смерть керри без байбэка на 40-й — это критическая ошибка, которая сильно снижает вероятность победы.
А потом мы получаем аналитический слой. Это дашборды, тепловые карты и предиктивные модели. Когда у нас есть структурированная база из сотни матчей, мы можем не просто смотреть статистику, а находить устойчивые паттерны в поведении соперника. Какие маршруты он повторяет, как строит закуп после проигранных раундов, в какой момент идет на агрессию.
Нашел любопытные кейсы, как это выглядит в разных играх.
Кейс № 1
Авторы взяли открытые сырые данные по Valorant Champions Tour, матча Paper Rex против Evil Geniuses.
Так как в них все свалено в кучу — от убийств и ассистов до каждого использованного скила, — то сначала декомпозировали общий массив по уровням: серия (series), отдельные игры (games), сегменты внутри игры, команды, игроки.
И только после этого перешли к расчету K/D и KDA. Без предварительной структуры попытка посчитать общую статистику игрока превращается в гадание, так как контекст (карта, сторона, конкретный матч) теряется.
Кейс № 2
Здесь автор пошел дальше и собрал полноценный сервис OpponentIQ.
Задача: автоматизировать составление отчета скаута с пулом героев соперника, любимых стратегий и т. д.
Стек: Python + FastAPI.
Пайплайн: двухэтапный сбор данных через Grid API. Сначала сервис дергает метаданные, чтобы понять, какие матчи вообще были у команды, а затем глубоко анализирует каждый из них. В итоге обработка десяти с лишним матчей занимает меньше пяти секунд. На выходе пользователь получает структурированный PDF-отчет, который можно сразу рассылать всей команде перед матчем.
Сейчас проект умеет анализировать Valorant и League of Legends, но планирует масштабироваться на CS2 и Dota 2.
# Упрощенный пример двухэтапного подхода
def fetch_team_matches(team_name, num_matches):
# Этап 1: получаем ID серий из Central Data
series_ids = central_data_query(team_name, num_matches)
# Этап 2: получаем детальную статистику из Series State
matches_data = []
for series_id in series_ids:
match_data = series_state_query(series_id)
matches_data.append(match_data)
return matches_dataКейс № 3
Нашел проект на Reddit: автор решил автоматизировать самую нудную часть тренировок — просмотр собственных реплеев игры. Вместо того чтобы часами перематывать видео, он написал программу, которая анализирует видео сама.
Главный плюс: система группирует данные в тактические паттерны. Например, скрипт может подсветить, что команда пять раз за матч выходила на точку А с одинаковой раскидкой под один и тот же тайминг и в большинстве случаев это заканчивалось сливом раунда.
Вот пример, как выглядит сухой разбор матча CS2 между Team Spirit и G2. Тут все разложено по слоям: отдельно смотрят экономику, ключевые и переломные раунды, импакт игроков по ролям, контроль карты, трейды, клатчи и повторяющиеся тактические ходы.
Вставлять сухой текст не стал, визуализировал.
Что из этого может взять себе непрофессиональный игрок
Поднимать всю эту цепочку самому, на коленке — занятие веселое, но трудозатратное.
Стек на каждый этап
Этап | CS2 | Dota 2 |
Получить данные | awpy — парсер файлов .dem | OpenDota API — бесплатный REST API |
Обработать | pandas | |
Хранить | CSV / SQLite | |
Визуализировать | matplotlib, seaborn | |
Среда | Jupyter (локально или в облаке) | |
Готовые сервисы | ||
Пайплайн (без усложнений)
Шаг 1. Выберите один вопрос
Не надо анализировать всю игру. Берите что-то одно.
Куда смотрим | Что ищем | На какой вопрос отвечаем |
Перемещения и позиции | Повторяющиеся маршруты, входы на объект | Не стал ли я слишком читаемым на этой карте? |
Тайминги | Когда кидают дымовые гранаты, идут на пуш, закупаются | Не опаздываю ли я на ключевые позиции? |
Экономика | Распределение ресурсов, форс-бай после поражений | После каких раундов я сам загоняю себя в плохой закуп? |
Боевые эпизоды | Кто первым входит в контакт, где чаще умирает | В каких ситуациях я стабильно умираю первым? |
Типовые сценарии | Клатчи, ретейки, пистолетки, драки за Рошана | Есть ли у меня паттерн, который соперник уже считывает? |
Контекст действия | Вижен, кулдауны, расположение союзников до события | Принимаю ли я решения вслепую? |
Шаг 2. Соберите данные
Для CS2 проще всего начать с Leetify: он сам собирает ваши матчи и делает экспорт. Для Dota 2 — с OpenDota API. Достаточно знать Steam ID игрока — и за пару запросов получаете историю матчей в JSON. Если хочется работать с сырыми демками CS2, берете awpy, указываете путь к файлу .dem и получаете на выходе удобную таблицу.
Шаг 3. Сложите все в простую таблицу
Пример структуры для разбора профматча. В личном анализе колонки те же, только вместо ников — ваш.
Вот маленький кусочек — пример моей таблички:
Карта | Герой | Роль | Длительность матча | Результат | K/D/A | Урон | Экономика | Комментарий |
de_anubis | SH1RO | AWP | 50:57 | Победа | 24/12/5 | 3 200 | 7 800 $ | Ключевые клатчи |
de_anubis | NiKo | Entry | 50:57 | Поражение | 18/19/3 | 2 500 | 6 400 $ | Слабый трейд |
de_anubis | m0NESY | AWP | 50:57 | Поражение | 20/17/4 | 2 800 | 7 000 $ | Нестабильная игра |
Хранить эту базу можно в хранилище S3.
Создаем бакет:
Уже в бакете храним файлик со статистикой в папке, у меня она называется data:
Шаг 4. Отрежьте все лишнее
Главная ошибка — смотреть на все матчи сразу. Так вы получите кашу. Нужна маленькая выборка под один сценарий: только одна карта, один герой или игры с одной и той же проблемой.
Шаг 5. Ищите повторяемости
Сначала просто смотрим, что совпадает: тайминг, позиция, маршрут, тип решения или поведение после конкретного события.
Например, можно внезапно увидеть, что на Dust 2 вы раз за разом слишком поздно занимаете одну и ту же позицию. Или что дело не в патче вообще, а в том, что после него вы продолжаете играть старым темпом.
Под эту задачу можно реализовать агента. Покажу, как это сделал я в AI Factory.
Задаю параметры агента: в «Общих параметрах» выбираю простого агента, даю название под сценарий. А в разделе «Модель и конфигурация» выбираю Foundation Models и Qwen3-235B-A22B-Instruct-2507.
Следующим шагом подключаю MCP-сервер.
А дальше прописываю системный промпт.
# Role & Expertise
Ты эксперт по анализу киберспортивных данных, специализирующийся на работе с таблицами Excel, хранящимися в S3-бакетах. Твоя задача — извлекать, обрабатывать, визуализировать и интерпретировать данные о матчах, игроках, статистике и результатах киберспортивных соревнований.
# Available MCP Tools (excel-mcp)
— create_workbook: создать пустую книгу Excel с указанным именем первого листа.
— get_workbook_info: получить метаданные книги — имена листов, размеры, активный лист.
— list_worksheets: получить список всех листов в книге с размерами и статусом активности.
— create_worksheet: добавить новый лист в существующую книгу.
— delete_worksheet: удалить указанный лист из книги.
— read_cell: прочитать значение, формулу и формат одной ячейки.
— write_cell: записать значение, число, логическое значение или формулу в ячейку.
— read_range: прочитать прямоугольный диапазон ячеек, опционально с заголовками.
— read_worksheet: прочитать весь лист как массив объектов (первая строка — заголовки).
— write_dataframe: записать табличные данные (список словарей) на лист с возможностью заголовков.
— append_data: добавить новые строки в конец листа, автоматически определяя заголовки.
— export_to_csv: экспортировать лист в CSV-файл в S3.
— get_worksheet_summary: получить сводку по листу — размеры, имена столбцов, примеры данных, статистику по числовым полям.
— add_image: вставить изображение (например, логотип команды) в указанную ячейку листа.
— add_chart: добавить диаграмму (bar, column, line, pie, area, scatter, radar) на лист с настройкой размеров и заголовка.
# Main Task
Ты получаешь запросы, связанные с анализом киберспортивных данных в excel-файлах, хранящихся в S3. Твоя задача — использовать доступные инструменты excel-mcp для выполнения операций: чтения, обработки, визуализации, сохранения и вывода результатов.
# Step-by-Step Process
1. Проанализируй запрос пользователя: что именно нужно извлечь, изменить или визуализировать?
2. Определи, какой excel-файл и лист содержат нужные данные (используй get_workbook_info или list_worksheets).
3. Прочитай данные с помощью read_worksheet или read_range.
4. Если требуется обработка, используй write_cell, write_dataframe или append_data.
5. Если требуется визуализация, создай диаграмму через add_chart или вставь изображение через add_image.
6. Сохрани результат в новый файл или поверх существующего (используй output_key).
7. Сформулируй ответ: кратко, по делу, с ключевыми выводами и ссылками на использованные данные.
8. Проверь согласованность: все ли шаги выполнены, нет ли противоречий в данных, все ли поля корректны?
# Style Requirements
— Отвечай профессионально, но понятно. Избегай излишнего жаргона.
— Всегда указывай, какой файл и лист использовались.
— Если данные неполные или ошибочные, сообщи об этом и предложи альтернативу.
— При визуализации уточняй тип диаграммы и почему он выбран.
# Self-Consistency Check
Перед финальным ответом:
— Убедись, что все использованные ключи файлов (key, output_key) корректны.
— Проверь, совпадают ли названия листов с теми, что существуют.
— Убедись, что числовые данные не содержат NaN или неожиданных строк.
— Подтверди, что диаграммы и изображения привязаны к корректным ячейкам.
# Error Handling
— Если файл не найден, сообщи: «Файл с ключом [key] не найден в бакете. Проверьте имя или предоставьте корректный ключ».
— Если лист отсутствует, сообщи: «Листа „[sheet_name]“ не существует в книге. Доступные листы: [список]».
— Если данные в диапазоне не соответствуют ожидаемому формату, укажи: «Обнаружены некорректные значения в столбце [имя]. Ожидалось: [ожидаемый тип]».
— Если инструмент не поддерживает параметр, сообщи: «Инструмент [tool_name] не поддерживает параметр [param]. Используйте допустимые: [список]».
"key": "data/esports_stats_example_clean.xlsx"
"bucket": "bucket-crts-op-3-nextcloud"В разделе «Генерация ответа» увеличиваю значение «Максимум токенов в ответе» до 50 000 и «Бюджет токенов на размышления» до 2 048:
Получился вот такой агент:
Наконец-то могу задать ему вопросы по статистике. Пример: «Какие роли чаще побеждают при конкретном стиле (AWP vs Entry vs Support)?»
Шаг 6. Сформулируйте гипотезу
Например:
проблема не в стрельбе, а в позднем выходе;
проблема не в герое, а в маршруте;
проблема не в карте, а в одном конкретном сценарии на ней.
Шаг 7. Вернитесь в игру и проверьте
Сыграйте несколько матчей с поправкой на эту гипотезу. Потом сравните. Если стало лучше — отлично. Если нет — тоже нормально: значит, выбираем новую гипотезу.
За несколько месяцев таких экспериментов я понял простую вещь: в моем случае этот подход реально работает, но только в той части, которая зависит лично от меня. Я увидел, что на некоторых картах играю слишком предсказуемо, начал подсматривать у сильных игроков другие маршруты и тайминги, перестроил экономику.
Но здесь есть важная оговорка. Если вы играете в основном соло с рандомами, разбор матчей помогает слабо, так как слишком много вещей в игре зависит не от вас. По-настоящему этот подход раскрывается, когда у вас есть постоянная, сыгранная компания друзей, где у каждого уже сформировался свой стиль.
